Segmentleri profilleyin ve yorumlayın

Python ile Müşteri Segmentasyonu

Karolis Urbonas

Head of Data Science, Amazon

Müşteri personası oluşturma yaklaşımları

Her küme için özet istatistikler; ör. ortalama RFM değerleri
Yılan grafikleri (pazar araştırmasından)
Kümeye ait özniteliklerin popülasyona göre göreli önemi

Her kümenin özet istatistikleri

Önerilen değerin etrafında birkaç k değeri için k-means segmentasyonu çalıştırın.

Orijinal DataFrame'e bir küme etiketi sütunu ekleyin:

datamart_rfm_k2 = datamart_rfm.assign(Cluster = cluster_labels)

Her küme için ortalama RFM değerlerini ve boyutlarını hesaplayın:

datamart_rfm_k2.groupby(['Cluster']).agg({
   'Recency': 'mean',
   'Frequency': 'mean',
   'MonetaryValue': ['mean', 'count'],
}).round(0)

Aynısını k=3 için tekrarlayın

Her kümenin özet istatistikleri

Her kümeleme çözümünün ortalama RFM değerlerini karşılaştırın

Segmentleri anlamak ve karşılaştırmak için yılan grafikleri

Farklı segmentleri karşılaştırmak için pazar araştırması tekniği
Her segmentin özniteliklerinin görsel gösterimi
Önce veriyi normalize etmek gerekir (merkezleme ve ölçekleme)
Her öznitelik için kümelerin ortalama normalize değerlerini çizin

Yılan grafiği için veriyi hazırlayın

datamart_normalized'ı DataFrame'e dönüştürün ve bir Cluster sütunu ekleyin

datamart_normalized = pd.DataFrame(datamart_normalized, 
                                   index=datamart_rfm.index, 
                                   columns=datamart_rfm.columns)
datamart_normalized['Cluster'] = datamart_rfm_k3['Cluster']

Veriyi uzun formata dönüştürün; böylece RFM değerleri ve metrik adları ayrı sütunlarda olur

datamart_melt = pd.melt(datamart_normalized.reset_index(), 
                    id_vars=['CustomerID', 'Cluster'],
                    value_vars=['Recency', 'Frequency', 'MonetaryValue'], 
                    var_name='Attribute', 
                    value_name='Value')

Yılan grafiğini görselleştirin

plt.title('Standartlaştırılmış değişkenlerin yılan grafiği')
sns.lineplot(x="Attribute", y="Value", hue='Cluster', data=datamart_melt)

Segment özniteliklerinin göreli önemi

Her segmentin özniteliklerinin göreli önemini görmek için yararlı
Her kümenin ortalama değerlerini hesaplayın
Toplam popülasyonun ortalama değerlerini hesaplayın
Bunları bölüp 1 çıkararak önem puanı hesaplayın (kümeyle popülasyon ortalaması eşitse 0 verir)

cluster_avg = datamart_rfm_k3.groupby(['Cluster']).mean()

population_avg = datamart_rfm.mean()

relative_imp = cluster_avg / population_avg - 1

Göreli önemi analiz edin ve görselleştirin

Oran 0'dan uzaklaştıkça, bir segment için öznitelik önemi (toplam popülasyona göre) artar.

relative_imp.round(2)

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

# Isı haritasını çiz
plt.figure(figsize=(8, 2))
plt.title('Özniteliklerin göreli önemi')
sns.heatmap(data=relative_imp, annot=True, fmt='.2f', cmap='RdYlGn')
plt.show()

Göreli önem ısı haritası

         Recency  Frequency  MonetaryValue
Cluster                                   
0          -0.82       1.68           1.83
1           0.84      -0.84          -0.86
2          -0.15      -0.34          -0.42

Farklı müşteri profilleme tekniklerini deneme zamanı!

Python ile Müşteri Segmentasyonu